注目キーワード
  1. DX
  2. AI
  3. IoT
  4. 業務効率化
  5. 自動化

製造業におけるDXの取り組み事例 【外観検査へのAI適用】

DX 製造業外観検査画像

 

製造業におけるDXは、喫緊の課題といえるでしょう。

製造業においては、生産性が収益性にダイレクトに影響するため、製造工程を高度化し生産性の改善を進めることが重要です。

 

近年では、DXの文脈の中で様々なデジタル技術が製造業に適用されつつあります。この記事では、その中でも外観検査をターゲットに、外観検査へのAIの適用について紹介します。

 

 

外観検査とは

 

ボルト検査

 

 

外観検査の概要

 

外観検査とは、製品や部品の品質を確保するために、外観を確認してチェックを行う検査のことです。

製造工程中には製品・部品に対するキズや汚れなどが発生しますが、これらの品質基準に合わない製品・部品を排除し、正常品のみを次工程に送るために外観検査を行います。

 

 

一般的な外観検査手法

 

最も基本的な外観検査手法は、目視による検査です。

製造工程中に目視にて製品・部品の状態を確認し、正常品と異常品を区別します。

微細な製品などの場合では、顕微鏡などを用いて検査を行うケースもあります。

 

目視検査は導入しやすい検査ですが、人手不足や業務効率化などを背景に検査機を用いて外観検査を行うケースも増えています。

検査機では、あらかじめ設定したルールに基づき正常品と異常品の区別を行います。

例えば、製品・部品の重さや色、形などを基準として分類を行うイメージです。

 

 

既存の外観検査手法における課題

 

外観検査は製造工程において欠かせない検査ではありますが、既存の外観検査手法においては様々な課題があります。

 

下表で、既存の外観検査における課題の例を紹介します。

 

<目視検査における課題>

人手不足の問題 ・人手不足を背景に、目視検査を行うための人材確保が困難。

・また、検査を行うためには一定の習熟が必要。

品質のばらつき ・人が実施する以上、検査基準がどうしても一定にならない。

・検査の品質が作業者に依存してしまう。

検査速度 ・特に検査項目が多い場合や、顕微鏡などを用いるケースでは、検査に時間がかかり製造工程においてボトルネックとなる。

 

<検査機における課題>

ルールベースの限界 ・検査機で定められるルールは定型的なものに限られるため、キズや汚れのように非定型で発生する不良品に対応できない。
検査項目の上限 ・ルールを設定すればするほど不良品の検出範囲は広がるものの、それに応じて誤検知や過剰検知も増えてしまう。

 

これらの課題を解決すべく、近年では外見検査へのAIの活用が進んでいます。

 

 

外観検査へのAI導入

 

AI外観検査

 

 

 

AIによる外観検査とは

 

AIによる外観検査とはどのようなものでしょうか。

AIによる外観検査では、AI関連技術の中でも画像処理を用います。

画像処理は深層学習(ディープラーニング)の登場により一挙に精度が向上し、実用的なものとなりました。

外観検査は、AIの得意とする作業といえるでしょう。

 

事前の準備として、訓練データとなる正常品と異常品の画像をAIに読み込ませ、判断基準を学習させます。

そして、製造工程中に設置したカメラにより製品・部品を撮影し、AIに読み込ませます。

AIは、学習した判断基準に基づき、正常品・異常品の判定を行います。

 

一般的には、AIによる分類とPLCのような製造ラインの制御システムを連動させ、判定結果に基づき製造ライン上で正常品・異常品の仕訳を行います。

 

 

外観検査にAIを導入することのメリット

 

外観検査にAIを用いることで、従来手法である目視検査や検査機を用いた検査の課題を解決できます。

 

AIにより自動で検査を行うため、目視検査の課題であった人手不足の問題を解決できます。

また、検査基準は一定となるため、品質のばらつきの心配もありません。

 

検査機を用いた検査における課題であった非定型の分類は、AIの得意とするところです。

AIには事前に判断基準を与える必要がなく、訓練データからAIが自動で判断基準を学習します。

キズや汚れの位置のようにルール化しにくいものであっても、AIは判断を行うことができます。

 

また、大掛かりな設備が不要であり導入コストが比較的低いというのもAIの大きなメリットと言えるでしょう。

 

 

 

AI導入の流れ

 

成功へのアプローチ

 

以下では、実際に外観検査にAIを導入する流れについて解説します。

 

対象の選定

 

まずは、対象とする外観検査の選定から行います。

検査機による外観検査と比較して、AIによる外観検査はカメラが設置でき、一定の明度で写真を撮影できることのみが条件となるため、適用範囲は広いといえるでしょう。

食品ラインや金属部品、電子機器などにおいてもAIを活用できる可能性があります。

 

AIによる分類は、実際に適用してみるまでその精度が分からないという特徴があります。

ですので、AIの導入はトライアルから行うなど、スモールスタートで実施することをおすすめします。

また、一度に完全自動化を目指すのではなく、まずは省人化を意識し、段階的にAIでの実施範囲を拡大していくとよいでしょう。

 

 

環境の準備

 

外観検査にAIを適用するために必要となるのは以下の3つの要素です。

 

  • 製造ライン上へのカメラの設置
  • AIアルゴリズムの構築と事前の学習
  • 製造ライン制御システムとAIの連動

 

上述の通り、AIによる外観検査を行うためには製品・部品を撮影し、AIに読み込ませる必要があります。撮

影環境により、AIの精度は大きく異なります。

トライアルを通じてAIの分類精度を確認しながら、照明等の撮影条件を設定するとよいでしょう。

 

AIアルゴリズムの構築方法はすべてスクラッチで実施する方法もありますが、近年では外観検査向けパッケージシステムなども登場しています。

外観検査は実施方法の差異も少ないため、パッケージシステムの利用は十分に検討できます。

 

また、最終的に実工程においてAIを導入するためには、製造ライン制御システムとの連動も必要となります。

トライアルの段階では不要ですが、トライアルの結果AIの有効性が確認できた場合には、既存で利用している制御システムの修正が必要になることに留意しましょう。

 

 

 

AIアルゴリズムの学習と精度向上

 

外観検査に利用するAIアルゴリズムを選定したら、訓練データをAIに読み込ませて学習を行います。

AIの精度は訓練データの質に依存します。

特に、異常品の訓練データをどれだけ集められるかがポイントとなります。

一般的に異常品は件数が発生しにくいため、訓練データのバリエーションを確保することが難しいです。

AIの導入検討を開始した時点から、少しずつ異常品の訓練データを集めるようにするとよいでしょう。

 

AIアルゴリズムの学習は一度で完成しません。

パラメータを修正しながらテストを繰り返し、少しずつ精度を上げていきます。

テストデータでのテストはもちろん、実際に製造工程中に設置したカメラで製品・部品を撮影した写真を読み込ませ、テストを行うことで撮影環境の良し悪しも含めた確認も行います。

 

 

 

まとめ

 

この記事では、製造業におけるDXの事例として、AIを用いた外観検査について解説を行いました。

外観検査は、AI技術の中でも比較的導入しやすいものといえるでしょう。

外観検査に課題感を感じている企業においては、DXの取り組みとしておすすめできます。

NO IMAGE

DX推進により、企業価値向上を支援する

AIやIoTといった最新のテクノロジーの活用により、従来とは全く異なったゲームを仕掛けてくる競合の存在のみならず、今後顧客として主役とななるデジタルネイティブ世代の出現により、企業にとって、DX推進こそが21世紀に生き残っていくための必要条件となります。 「BRAIN]は、そのような厳しい事業環境下、課題の提示、解決策の提示を積極的に行っていくことにより、企業価値向上を支援します。

CTR IMG